Aprendizaje Supervisado

¡Bienvenid@s!

Bienvenid@s a la materia de Aprendizaje Supervisado, parte de la Diplomatura en Ciencia de Datos, Aprendizaje Automático y Sus Aplicaciones de FAMAF, UNC. En esta página se hará una recopilación de materiales, links y otras cosas de utilidad.

Clases

Las clases serán mediante Google Meet los siguientes días:

  1. Clase 1: Viernes 30 de Julio del 2021 de 18 a 22

  2. Clase 2: Sábado 31 de Julio del 2021 de 10 a 14

  3. Clase 3: Viernes 13 de Julio del 2021 de 18 a 22

  4. Clase 4: Sábado 14 de Julio del 2021 de 10 a 14

El link de Meet será compartido en el Slack oficial de la materia y serán invitados al evento en calendar con el email proporcionado en la inscripción de la Diplomatura.

Videos Introductorios

En el canal de YouTube de DiploDatos está presente la lista de reproducción con videos introductorios. Los videos están pensados para ser vistos previo a la clase, de manera tal que el contenido sea más ameno a la hora de dar la clase y puedan hacer preguntas específicas al respecto.

El título de los videos tiene el siguiente formato: AS - Clase X-Y - Título. El valor X hace referencia al número de clase (1 es el primer viernes, 2 el primer sábado, 3 el segundo viernes y 4 el segundo sábado), para que sepan que ese video se espera tener visto para esa clase. Si bien se pueden ver todos los videos de una sola vez puesto que son bastante cortos. No es necesario verlos tampoco, pero sí facilita un poco el seguimiento de los temas.

Slides de las clases

Los slides a utilizarse en las clases son los siguientes:

  1. Clase 1: Repaso de aprendizaje supervisado. Regresión lineal y polinomial. Regresión logística. Naive Bayes. Perceptrón y support vector machines.

  2. Clase 2: Support vector classifier y regressor. Datos no linealmente separables. Ensemble learning.

  3. Clase 3: Redes neuronales. Sistemas de recomendación.

  4. Clase 4: Prácticas de reproducibilidad.

Material Teórico/Práctico

La materia dispone de un repositorio de GitHub donde se subirán los notebooks que se utilizan en clases para demostración de los modelos y algoritmos, así como para subir el práctico de la materia que se entregará y corregirá por grupos.

Por otro lado, el práctico de la materia consiste en un competencia de Kaggle en la que participarán.

Bibliografía

  • Machine Learning. Thomas M. Mitchell. 1997. McGraw-Hill, Inc., USA.

    • El link tiene algunos capítulos disponibles, el libro se puede obtener por Amazon u otras librerías.

  • Pattern Recognition and Machine Learning. Christopher M. Bishop. 2006. Springer-Verlag, Berlin, Heidelberg.

    • El link tiene una versión de descarga gratuita (legal) a través de Microsoft.

  • Machine Learning Yearning [Mirror]. Ng, Andrew. 2017. Online publication.

    • El libro se puede conseguir gratis subscribiéndose en la página de Andrew Ng de DeepLearning.AI (al final del primer link). También hay un mirror en GitHub (segundo link).

  • Deep Learning Book. Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. MIT press, 2016.

    • El libro se puede acceder via HTML (hay PDFs si se buscan).